3CAD：教師なし異常検知のための大規模な実世界3C製品データセット

3CAD: A Large-Scale Real-World 3C Product Dataset for Unsupervised Anomaly

February 9, 2025

著者: Enquan Yang, Peng Xing, Hanyang Sun, Wenbo Guo, Yuanwei Ma, Zechao Li, Dan Zeng

cs.AI

要旨

産業用の異常検知は、MVTec-ADやVisAなどのデータセットのおかげで進歩しています。しかし、これらは欠陥サンプルの数、欠陥の種類、実世界のシーンの可用性に関して制限があります。これらの制約により、研究者は産業用検知の性能をさらに高い精度で探求することが制約されています。このため、我々は、実際の3C生産ラインから派生した新しい大規模異常検知データセットである3CADを提案します。具体的には、提案された3CADには、合計27,039枚の高解像度画像が含まれ、ピクセルレベルの異常がラベル付けされた8種類の異なる製造部品が含まれています。3CADの主な特徴は、異なるサイズの異常領域、複数の異常タイプ、および異常画像あたりの複数の異常領域と複数の異常タイプをカバーしていることです。これは、コミュニティの探索と開発のために専用の3C製品品質管理のための最大かつ初の異常検知データセットです。一方で、非監督異常検知のためのシンプルで効果的なフレームワークであるCoarse-to-Fine検出パラダイムとRecovery Guidance（CFRG）を紹介します。小さな欠陥異常を検出するために、提案されたCFRGは、荒いから細かい検出パラダイムを利用します。具体的には、荒い位置特定のために異種蒸留モデルを利用し、その後、セグメンテーションモデルを介して細かい位置特定を行います。さらに、正常なパターンをよりよく捉えるために、回復特徴をガイダンスとして導入します。最後に、提案されたCFRGフレームワークと一般的な異常検知手法の3CADデータセットでの結果を報告し、強力な競争力を示し、異常検知分野の発展を促進するための非常に厳しいベンチマークを提供します。データとコードはこちらで入手可能です：https://github.com/EnquanYang2022/3CAD。

English

Industrial anomaly detection achieves progress thanks to datasets such as MVTec-AD and VisA. However, they suf- fer from limitations in terms of the number of defect sam- ples, types of defects, and availability of real-world scenes. These constraints inhibit researchers from further exploring the performance of industrial detection with higher accuracy. To this end, we propose a new large-scale anomaly detection dataset called 3CAD, which is derived from real 3C produc- tion lines. Specifically, the proposed 3CAD includes eight different types of manufactured parts, totaling 27,039 high- resolution images labeled with pixel-level anomalies. The key features of 3CAD are that it covers anomalous regions of different sizes, multiple anomaly types, and the possibility of multiple anomalous regions and multiple anomaly types per anomaly image. This is the largest and first anomaly de- tection dataset dedicated to 3C product quality control for community exploration and development. Meanwhile, we in- troduce a simple yet effective framework for unsupervised anomaly detection: a Coarse-to-Fine detection paradigm with Recovery Guidance (CFRG). To detect small defect anoma- lies, the proposed CFRG utilizes a coarse-to-fine detection paradigm. Specifically, we utilize a heterogeneous distilla- tion model for coarse localization and then fine localiza- tion through a segmentation model. In addition, to better capture normal patterns, we introduce recovery features as guidance. Finally, we report the results of our CFRG frame- work and popular anomaly detection methods on the 3CAD dataset, demonstrating strong competitiveness and providing a highly challenging benchmark to promote the development of the anomaly detection field. Data and code are available: https://github.com/EnquanYang2022/3CAD.